tensorflow tf.train.batch之數據批量讀取的示例分析

這篇文章給大家分享的是有關tensorflow tf.train.batch之數據批量讀取的示例分析的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

在進行大量數據訓練神經網絡的時候，可能需要批量讀取數據。于是參考了這篇文章的代碼，結果發現數據一直批量循環輸出，不會在數據的末尾自動停止。

然后發現這篇博文說slice_input_producer()這個函數有一個形參num_epochs，通過設置它的值就可以控制全部數據循環輸出幾次。

于是我設置之后出現以下的報錯：

tensorflow.python.framework.errors_impl.FailedPreconditionError: Attempting to use uninitialized value input_producer/input_producer/limit_epochs/epochs

     [[Node: input_producer/input_producer/limit_epochs/CountUpTo = CountUpTo[T=DT_INT64, _class=["loc:@input_producer/input_producer/limit_epochs/epochs"], limit=2, _device="/job:localhost/replica:0/task:0/cpu:0"](input_producer/input_producer/limit_epochs/epochs)]]

找了好久，都不知道為什么會錯，于是只好去看看slice_input_producer()函數的源碼，結果在源碼中發現作者說這個num_epochs如果不是空的話，就是一個局部變量，需要先調用global_variables_initializer()函數初始化。

于是我調用了之后，一切就正常了，特此記錄下來，希望其他人遇到的時候能夠及時找到原因。

哈哈，這是筆者第一次通過閱讀源碼解決了問題，心情還是有點小激動。啊啊，扯遠了，上最終成功的代碼：

import pandas as pd
import numpy as np
import tensorflow as tf


def generate_data():
  num = 25
  label = np.asarray(range(0, num))
  images = np.random.random([num, 5])
  print('label size :{}, image size {}'.format(label.shape, images.shape))
  return images,label

def get_batch_data():
  label, images = generate_data()
  input_queue = tf.train.slice_input_producer([images, label], shuffle=False,num_epochs=2)
  image_batch, label_batch = tf.train.batch(input_queue, batch_size=5, num_threads=1, capacity=64,allow_smaller_final_batch=False)
  return image_batch,label_batch


images,label = get_batch_data()
sess = tf.Session()
sess.run(tf.global_variables_initializer())
sess.run(tf.local_variables_initializer())#就是這一行
coord = tf.train.Coordinator()
threads = tf.train.start_queue_runners(sess,coord)
try:
  while not coord.should_stop():
    i,l = sess.run([images,label])
    print(i)
    print(l)
except tf.errors.OutOfRangeError:
  print('Done training')
finally:
  coord.request_stop()
coord.join(threads)
sess.close()

感謝各位的閱讀！關于“tensorflow tf.train.batch之數據批量讀取的示例分析”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！